ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА АНАЛИЗА ТОНАЛЬНОСТИ ДЛЯ ИЗМЕРЕНИЯ ЛОЯЛЬНОСТИ ПОКУПАТЕЛЕЙ И ПРИНЯТИЯ РЕШЕНИЙ, ОСНОВАННАЯ НА НЕЧЕТКОЙ ЛОГИКЕ

  • Е. М. Герасименко Южный федеральный университет
  • В. В. Стеценко Южный федеральный университет
Ключевые слова: Анализ тональности, нечеткая логика, принятие решений, лояльность клиентов

Аннотация

Представлен интеллектуальный подход к измерению лояльности клиентов к кон-
кретному продукту, основанный на анализе комментариев. Общий анализ тональности в
твитах и сообщениях проводится довольно часто, однако ориентированный на задачи
анализ мнений пользователей и измерение уровня их лояльности является новой идеей.
Сложность в проведении ориентированного на задачу анализа тональности сообщений
заключается в измерении лояльности клиента к конкретному продукту на основе мнения
клиентов об этом самом продукте. Полученные данные об уровне лояльности клиента к
продукту смогут помочь новому клиенту принять решение о конкретном товаре, учиты-
вая его различные особенности и отзывы предыдущих клиентов. В качестве набора данных
был использован большой массив данных, состоящих из онлайн-отзывов клиентов с
Amazon.com. Набор исходных данных представляет собой совокупность отзывов, из кото-
рых предлагаемый подход формирует агрегированную оценку мнений, далее используется
модель нечеткой логики для измерения лояльности клиента к продукту. В предложенном
подходе входной текст сначала обрабатывается с помощью таких методов как токениза-
ция, удаления стоп-слов, лемматизация, затем происходит маркировка частей речи и осу-
ществляется анализ полярности отзывов, затем, к полученным агрегированным оценкам
применяются методы нечеткой логики, чтобы определить степень лояльности клиентов к
продукту. В этой работе использовались различные библиотеки с открытыми API, такие
как SentiWordNet, Stanford CoreNLP и т.д. Используемый подход фокусируется на выявле-
нии тональности обзоров, которые могут быть положительными, отрицательными и
нейтральными. В нашем исследовании мы использовали треугольную функцию принадлеж-
ности, также известную как trimf, потому что она поддерживает три переменные и соз-
дает связь между ними. Реализация подхода обеспечивает высокую точность определения
лояльности к продуктам электронной коммерции, которая превосходит предыдущие под-
ходы, а применение нечеткой логик позволило значительно повысить значения таких пока-
зателей как точность, полнота и F-мера.

Литература

1. Gräbner D., Zanker M., Fliedl G., Fuchs M. Classification of customer reviews based on sentiment
analysis, Proceedings of the 19th Conference on Information and Communication
Technologies in Tourism (ENTER), Helsingborg, Sweden, 24–27 January 2012, pp. 460-470.
2. Bagheri A., Saraee M., De Jong, F. Care more about customers: Unsupervised domainindependent
aspect detection for sentiment analysis of customer reviews, Knowl.-Based Syst.,
2013, Vol. 52, pp. 201-213.
3. Wilson T., Wiebe J., Hoffmann P. Recognizing contextual polarity in phrase-level sentiment
analysis, Proceedings of the Conference on Human Language Technology and Empirical Methods
in Natural Language Processing, Vancouver, BC, Canada, 6–8 October 2005, pp. 347-354.
4. Hu M., Liu B. Mining and summarizing customer reviews, Proceedings of the Tenth ACM
SIGKDD International Conference on Knowledge Discovery and Data Mining, Seattle, WA,
USA, 22–25 August 2014, pp. 168-177.
5. Neri F., Aliprandi C., Capeci F., Cuadros M., By T. Sentiment analysis on social media, Proceedings
of the IEEE/ACM International Conference on Advances in Social Networks Analysis
and Mining (ASONAM), Istanbul, Turkey, 26–29 August 2012, pp. 919-926.
6. He W., Zha S., Li L. Social media competitive analysis and text mining: A case study in the
pizza industry, Int. J. Inf. Manag,. 2013, Vol. 33, pp. 464-472.
7. Chandrashekaran M., Rotte K., Tax S.S., Grewal R. Satisfaction strength and customer loyalty,
J. Mark. Res., 2007, 44, pp. 153-163.
8. Kang D.; Park Y. Review-based measurement of customer satisfaction in mobile service: Sentiment
analysis and VIKOR approach, Expert Syst. Appl., 2014, 41, pp. 1041-1050.
9. Chamlertwat W., Bhattarakosol P., Rungkasiri T., Haruechaiyasak C. Discovering Consumer
Insight from Twitter via Sentiment Analysis, J. UCS, 2012, 18, pp. 973-992.
10. Bauman K., Liu B., Tuzhilin A. Recommending Items with Conditions Enhancing User Experiences
Based on Sentiment Analysis of Reviews, Proceedings of the CBRecSys@ RecSys;
CEUR Workshop 2016, Boston, MA, USA, 16 September 2016, Vol. 1677, pp. 19-22.
11. Dubey A., Gupta A., Raturi N., Saxena P. Item-Based Collaborative Filtering Using Sentiment
Analysis of User Reviews, Proceedings of the International Conference on Application of
Computing and Communication Technologies, Delhi, India, 9 March 2018, pp. 77-87.
12. Artificial Intelligence Fuzzy Logic Systems. Available online: https://www.tutorialspoint.
com/artificial_intelligence/artificial_intelligence_fuzzy_logic_systems.htm (accessed on 02.
06. 2021).
13. SentiWordNet. n.d. Available online: https://sentiwordnet.isti.cnr.it/ (accessed on 12 February
2020).
14. Zadeh L.A. Toward a theory of fuzzy information granulation and its centrality in human reasoning
and fuzzy logic. Fuzzy Sets Syst., 1997, 90, pp. 111-127.
15. Manning C., Surdeanu M., Bauer J., Finkel J., Bethard S., McClosky D. The Stanford
CoreNLP natural language processing toolkit, Proceedings of the 52nd Annual Meeting of the
Association for Computational Linguistics: System Demonstrations, Baltimore, MD, USA,
23–24 June 2014, pp. 55-60.
16. Barbosa L., Feng J. Robust sentiment detection on twitter from biased and noisy data. In Proceedings
of the 23rd International Conference on Computational Linguistics, Beijing, China,
36–44 August 2010.
17. Manning C., Surdeanu M., Bauer J., Finkel J., Bethard S., McClosky D. The Stanford
CoreNLP natural language processing toolkit, Proceedings of the 52nd Annual Meeting of the
Association for Computational Linguistics: System Demonstrations, Baltimore, MD, USA,
23–24 June 2014, pp. 55-60.
18. Baccianella S., Esuli A., Sebastiani F. Sentiwordnet 3.0: An enhanced lexical resource for
sentiment analysis and opinion mining, Lrec 2010, 10, pp. 2200–2204.
19. Herrera-Viedma E. Fuzzy sets and fuzzy logic in multi-criteria decision making. The 50th
anniversary of Prof. Lotfi Zadeh’s theory, Introduction, Technol. Econ. Dev. Econ., 2015, 21,
pp. 677-683.
20. Indhuja, K.; Reghu, P.C. Fuzzy Logic Based Sentiment Analysis of Product Review Documents,
Proceedings of the 1st International Conference on Computational Systems and Communications,
Trivandrum, India, 17–18 December 2014, pp. 18-22.
Опубликован
2021-11-14
Выпуск
Раздел
РАЗДЕЛ II. ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ